形势比人强 一年转行找工作的总结体会# JobHunting - 待字闺中
s*a
1 楼
长达一年的转行加找工作经历结束了，和大家分享下经验教训
背景： midwest一州立大学 实验物理PhD 然后在东海岸另一州立学校博后3年 无绿卡
有H4 EAD 全部自学 onsite面试了google, facebook, Fannie Mae, Freddie Mac,
Capital One, comscore和两个小公司的SDE，data scientist, stats还有quant职位
电话面试挂了amazon 和 Bloomberg 最后收到一个quant offer
几点感想：
1. 首先一定要有信心，大部分理工科PhD应付现在这些热门专业其实都绰绰有余，当然
你得花时间，要少走弯路，要多刷题，这些热门方向都是相通的，总体就是你要有
programming和数学(linear algebra, stats)的基础，有些专业大二后就很少接触数学
和编程 或者这两者都不是你的comfort zone 这样会要多花些时间 但我觉得只要你国
内能上一本就不会有问题 当然还要加上一些communication和一些corporate culture
的soft skills
2. 刷题要三遍！ 个人刷题不到一遍，而且当初刷的是九章算法推荐的lintcode不是
leetcode 最后面刷题的google facebook都挂了 而且都倒在了leetcode有lintcode没
有的题目 所以强调刷题要三遍 你在现场的气氛是几乎不可能很快把一道你没见过的题
目写出来的 而且要很熟练白板写题 这样看来flag的bar我觉得还是很高 但对转行者没
经验不造成歧视
3. 一些我用过的网上资源评价：
3.1 coursera的JHU的data science specialization: 推荐，尤其是你对data
analytics还一无所知的时候，可以帮助你熟悉基本概念还有R
3.2 coursera的UW的machine learning specialization和Andrew Ng的ML课程 都强烈
推荐，前者很注重case study熟悉python 后者很注重基本数学推导， 很适合初学者
你还可以把前者做的一些东西写入简历
3.3 九章算法的Java班，算法班，算法强化班，系统设计班 推荐，可以配合你刷题一
起上，让你系统性的刷题，课后要花相当的时间巩固学的东西
3.4 coursera UCSD的big data specialization 强烈不推荐 所有内容都太宽泛老师
口音很重没意思 最后我要了refund
3.5 coursera的Hinton的neural network 不太推荐给转行者 太专业大部分公司用不
到 我觉得知道基本概念像hidden layer，back propagation就可以了
3.6 coursera的Columbia的financial engineering 分为上下，推荐给对金融工程有
兴趣的同学，大部分都讲得不错，了解下security derivative pricing (options,
futures, swaps etc), risk management (value at risk), portfolio selection (
mean variance) 知道black Scholes model
4 写几道我碰到的有趣的一些题目吧
4.1 SQL里面group_by后aggregate function有求和sum 但没有求积（把一个group的相
乘而不是相加），请问如何实现？提示： log and exp
4.2 现在有一个biased的(0, 1) 生成器(比如80%为0， 20%为1）， 如何实现一个
unbiased的（0，1）生成器？写出code 比如给出biasedGenerator(), 写出
unbiasedGenerator()？
4.3 你要对七场赢四场就赢总决赛的NBA进行gamble，比如你赌A队赢并且赌20块钱，那
么如果A对赢了你收获50块输了你就输掉50块，问怎么样设计你的策略这样总决赛结束
后，不管比赛进程如何，你总是能赢一百块或者输掉一百块？
形势比人强。认清形势比个人能力重要得多。对99%的人来说，不管过去多么荣耀，学
的专业多么高精尖，最后也都是随着世界大潮流而潮涨潮落 现在的大势就是东岸的金
融业和西岸的IT业。希望Trump上台能振兴一些传统行业吧 祝大家好运。
背景： midwest一州立大学 实验物理PhD 然后在东海岸另一州立学校博后3年 无绿卡
有H4 EAD 全部自学 onsite面试了google, facebook, Fannie Mae, Freddie Mac,
Capital One, comscore和两个小公司的SDE，data scientist, stats还有quant职位
电话面试挂了amazon 和 Bloomberg 最后收到一个quant offer
几点感想：
1. 首先一定要有信心，大部分理工科PhD应付现在这些热门专业其实都绰绰有余，当然
你得花时间，要少走弯路，要多刷题，这些热门方向都是相通的，总体就是你要有
programming和数学(linear algebra, stats)的基础，有些专业大二后就很少接触数学
和编程 或者这两者都不是你的comfort zone 这样会要多花些时间 但我觉得只要你国
内能上一本就不会有问题 当然还要加上一些communication和一些corporate culture
的soft skills
2. 刷题要三遍！ 个人刷题不到一遍，而且当初刷的是九章算法推荐的lintcode不是
leetcode 最后面刷题的google facebook都挂了 而且都倒在了leetcode有lintcode没
有的题目 所以强调刷题要三遍 你在现场的气氛是几乎不可能很快把一道你没见过的题
目写出来的 而且要很熟练白板写题 这样看来flag的bar我觉得还是很高 但对转行者没
经验不造成歧视
3. 一些我用过的网上资源评价：
3.1 coursera的JHU的data science specialization: 推荐，尤其是你对data
analytics还一无所知的时候，可以帮助你熟悉基本概念还有R
3.2 coursera的UW的machine learning specialization和Andrew Ng的ML课程 都强烈
推荐，前者很注重case study熟悉python 后者很注重基本数学推导， 很适合初学者
你还可以把前者做的一些东西写入简历
3.3 九章算法的Java班，算法班，算法强化班，系统设计班 推荐，可以配合你刷题一
起上，让你系统性的刷题，课后要花相当的时间巩固学的东西
3.4 coursera UCSD的big data specialization 强烈不推荐 所有内容都太宽泛老师
口音很重没意思 最后我要了refund
3.5 coursera的Hinton的neural network 不太推荐给转行者 太专业大部分公司用不
到 我觉得知道基本概念像hidden layer，back propagation就可以了
3.6 coursera的Columbia的financial engineering 分为上下，推荐给对金融工程有
兴趣的同学，大部分都讲得不错，了解下security derivative pricing (options,
futures, swaps etc), risk management (value at risk), portfolio selection (
mean variance) 知道black Scholes model
4 写几道我碰到的有趣的一些题目吧
4.1 SQL里面group_by后aggregate function有求和sum 但没有求积（把一个group的相
乘而不是相加），请问如何实现？提示： log and exp
4.2 现在有一个biased的(0, 1) 生成器(比如80%为0， 20%为1）， 如何实现一个
unbiased的（0，1）生成器？写出code 比如给出biasedGenerator(), 写出
unbiasedGenerator()？
4.3 你要对七场赢四场就赢总决赛的NBA进行gamble，比如你赌A队赢并且赌20块钱，那
么如果A对赢了你收获50块输了你就输掉50块，问怎么样设计你的策略这样总决赛结束
后，不管比赛进程如何，你总是能赢一百块或者输掉一百块？
形势比人强。认清形势比个人能力重要得多。对99%的人来说，不管过去多么荣耀，学
的专业多么高精尖，最后也都是随着世界大潮流而潮涨潮落 现在的大势就是东岸的金
融业和西岸的IT业。希望Trump上台能振兴一些传统行业吧 祝大家好运。
